共查询到18条相似文献，搜索用时 156 毫秒
1.
《地震学报》2010,(3)
研究了如何从天然地震和人工爆破事件的波形记录中提取出有效、适用的波形特征,以用于对爆破事件的识别.首先对波形记录进行了4层小波包变换;然后对变换得到的最后一层小波包系数提取3种波形特征:能量比特征、香农熵特征及对数能量熵特征;最后利用v-SVC支持向量分类机对这3种特征的分类能力进行了外推检验.通过选用不同地区、不同台站、不同震级的天然地震与人工爆破的波形记录,力求提取的特征量能尽可能地反映天然地震与人工爆破波形的本质区别,尽量弱化震中距、震级等因素对识别效果的影响.结果表明,上述3种特征中以香农熵特征的识别效果最好,能反映天然地震与人工爆破的本质区别,可作为识别天然地震与人工爆破的一个有效判据. 相似文献
2.
研究了如何从天然地震和人工爆破事件的波形记录中提取出有效、适用的波形特征,以用于对爆破事件的识别．首先对波形记录进行了4层小波包变换;然后对变换得到的最后一层小波包系数提取3种波形特征:能量比特征、香农熵特征及对数能量熵特征;最后利用upsilon;-SVC支持向量分类机对这3种特征的分类能力进行了外推检验．通过选用不同地区、不同台站、不同震级的天然地震与人工爆破的波形记录,力求提取的特征量能尽可能地反映天然地震与人工爆破波形的本质区别,尽量弱化震中距、震级等因素对识别效果的影响．结果表明,上述３种特征中以香农熵特征的识别效果最好,能反映天然地震与人工爆破的本质区别,可作为识别天然地震与人工爆破的一个有效判据． 相似文献
3.
天然地震与非天然地震自动识别是地震自动编目系统的重要功能之一,是监测数据产出智能化的基础应用.从福建天然地震和人工爆破事件中,提取小波分析特征、P/S震相振幅比、波形能量分布特征,对以上特征组合联合支持向量机进行大批量数据测试分析,研究得出识别效果较好的事件类型判别算法,最优测试识别率为94.5％;采用最优算法研发基于支持向量机事件类型自动识别模块,将研制的自动识别软件模块应用于福建台网的日常地震编目工作,对2019年8月1日至2020年2月29日共计1531个日常触发事件进行准实时分类,自动识别软件模块分类的正确率为93.9％.另外,采用AMQ消息中间件为信息中介,从redis波形共享内存中获取事件波形,实现自动识别模块与自动编目系统对接. 相似文献
4.
利用sym5小波包基函数对小震级天然地震和人工爆破波形进行4层小波包分解并绘制了时频谱图.通过时频谱图可直观得出, 爆破频率成分简单, 时频谱聚集性较好. 为寻求定量的识别指标, 综合P波和S波小波包变换结果, 提出并定义了P/S能量比. 分析识别效果较好的 P/S能量比判据得出爆破的P波主频集中在频段3.125—9.375 Hz处, 地震频率成分较复杂, S波在高频12.5—23.4375 Hz处也较发育, 在这些频段上, 爆破的P波与S波差异要大于地震的P波与S波差异. 作为小波包判据研究的补充, 文中也提取分析了P波的能量比与S波的能量比. 能量比判据识别结果表明, 人工爆破与天然地震的频率成分存在差异, 通过小波包变换能够提取有效的识别判据. 相似文献
5.
为了提取天然地震和爆破或塌方记录波形在震源深度、震源尺度、震源破裂机制、地震波传播途径、地震波衰减等方面的差异特征信息,本对山东数字化台网记录的天然地震和爆破或塌方波形进行了小波多分辨率的能量线性度特征分析,提出了用小波变换能量线性度方法识别天然地震与爆破或塌方事件．结果表明：在精细结构小波分解信号“能量”线性度方面,天然地震主要集中在-2．0～1．0之间,爆破或塌方主要集中在2．0～3．4之间;在精细结构小波分解信号“能量”最大值对应的小波分解尺度方面,爆破或塌方主要集中在4～5,频段集中在0．7～3．1Hz之间,而天然地震主要集中在1～2,频段集中在6．25～25Hz之间． 相似文献
6.
明灯一号及邻近地区地震与爆炸的识别 总被引：2，自引：0，他引：2
通过明灯一号大当量爆破资料,挑选其周边地区天然地震和人工爆破事件,研究天然地震和人工爆破事件的波形记录特征,并应用两种模式进行识别。结果表明振幅比判据能反映天然地震与人工爆破的本质区别,可以作为识别两类事件的有效判据。两种模式识别方法的U检验效果较好,表明该研究的特征和方法具有实际应用前景。 相似文献
7.
简要介绍当前国内外关于天然地震与爆破、塌陷等非天然地震特征研究及事件类型识别的进展。对各类事件的定义及主要波形特征进行简要综述,重点介绍了事件类型判定的各类识别方法。与自然界天然地震不同,非天然地震由人工干预或人类活动间接引发。爆破是炸药在爆炸瞬间能量迅速释放,部分能量以地震波形式向外传播,引起地表振动而产生破坏效应的一种地震;塌陷是由于岩层崩塌陷落而形成的地震。虽然在地震台网记录到的天然地震与爆破、塌陷的波形存在一定的共性特征,但由于震源类型、波的传播路径、震源深度等不同,各类事件的波形记录在P波初动、P波与S波最大振幅比、持续时间、震相、短周期面波发育情况、发震时刻、空间位置分布以及频谱特征等方面差异明显。目前主要有两类方法来识别地震与爆破、塌陷等非天然事件。一类为直接基于波形在信号、数据方面的特征,通过定性分析来进行事件类型判定,如波形时频分析对比法、小波变换、相关系数等;另一类为统计学领域诸如模式识别等算法,利用统计算法综合考虑多个事件特征判据的定量判定阀值来实现地震与爆破、塌陷事件类型的识别,如最小距离法、改进的连续亨明方法、Fisher方法、逐步代价最小决策法、支持向量机、前馈神经网络等。两类方法本质上均为提取有效特征判据,即对数据进行降维使用,未将事件记录的全部信息用于事件判定。因此,有必要使用一种可从全部事件记录中自动提取各类信息并可组合底层特征的算法来对各类事件进行判断识别。 相似文献
8.
王军 《地震地磁观测与研究》2018,39(3):181-188
为研究天然地震事件和爆破事件识别算法，对上海测震台网记录的上海周边区域天然构造地震和爆破事件记录进行小波包分解，并提取特征向量，提出用支持向量机（SVM）识别天然构造地震和人工爆破的算法。结果表明，基于SVM算法的向量识别分类方法，在天然地震和爆破识别中是可用的，准确率预计达85%以上。 相似文献
9.
10.
对琼北地区确定性井下人工爆破和天然地震事件波形特征进行梳理,分析人工爆破与天然地震波不同判据特征。结果表明:P波初动方向、振幅比是识别人工爆破和天然地震的2个主要判据;尾波持续时间、S波最大振幅与持续时间比可作为识别人工爆破和天然地震的一般判据;发震时间可根据事件的强度、规律性,并结合其他判据,仅作为识别过程中的参考因素。 相似文献
11.
12.
爆破与地震的拐角频率比较 总被引：1，自引：1，他引：0
应用辽宁地震台网记录的爆破与地震数字资料,采用小波计算方法,对该区域记录的爆破与地震计算S波拐角频率,将计算结果与前期采用PITSA软件得到的结果进行比较,试图获得爆破与地震识别的定量指标。 相似文献
13.
为了进一步增强区域台网针对天然地震与人工爆炸事件的识别能力，本文利用广义S变换方法，围绕河北省三河采石场爆破以及周边发生的天然地震波形记录展开研究，总结了地震与爆炸在时频谱中的差异性。研究表明，受震源机制影响，天然地震时频谱图的频带范围更宽广，能量团分布也较人工爆炸更为复杂。为了消除震中距的影响，本文将求解的时频谱保存为规格相等的灰度图像，通过滑动窗口计算图像的灰度一致性得到新的识别判据?谱图二阶矩。对三河地区已知地震和爆炸事件的测试表明，谱图二阶矩对单台波形记录的识别率可达91%，多台求取平均值之后的识别率超过98%，因此该判据具有良好的应用前景。 相似文献
14.
快速、准确地识别天然地震和人工爆破事件是地震台网监测的重要工作之一,也是提高地震观测记录质量、开展地震研究工作的重要基础.针对反向传播神经网络、支持向量机等主流分类识别方法在地震事件分类识别应用上的不足,提出一种基于改进 EWT 和 LogitBoost集成分类器的地震事件分类识别算法.首先,基于S谱能量曲线对传统经验小波变换进行改进,将信号自适应分解为按频率和能量分布的本征模函数;其次,提取 P波与S波最大振幅比,前4个本征模函数的香农熵、对数能量熵,以及去噪后重构信号主频等特征;最后,采用基于集成学习 LogitBoost的决策树集成分类器进行分类.实验结果表明,所提算法具有较高的鲁棒性,能有效解决样本不足的问题,识别准确率达93．1%以上,比集成学习 AdaBoost、反向传播神经网络和支持向量机等方法提高了1%以上,且分类识别效果好. 相似文献
15.
16.
Liu Xiqiang 《中国地震研究》2004,18(1):42-53
Based on the Gauss linear frequency-modulated wavelet transform, a new characteristic index is presented, namely time-frequency energy attenuation factor which can reflect the difference features of waveform in earthquake focus mechanism, wave traveling path and its attenuation characteristics in focal area or near field. In order to test its validity, we select the natural earthquakes and explosion or collapse events whose focus mechanisms vary obviously, and some natural earthquakes located at the same site or in a very small area. The study indicates that the time-frequency energy attenuation factors of the natural earthquakes are obviously different with that of explosion or collapse events, and the change of the time-frequency energy attenuation factors is relatively stable for the earthquakes under the normal seismicity background. Using the above-mentioned method, it is expected to offer a useful criterion for strong earthquake prediction by continuous earthquake observation. 相似文献
17.
高斯线调频连续小波变换的时频能量衰减因子方法及其应用 总被引：5，自引：0，他引：5
本文基于高斯线调频连续小波变换，提出了能够反映震源区或近场区小地震波形在震源深度、震源尺度、震源破裂机制、地震波传播途径、地震波衰减等方面的差异特征信息的特征指标，即小波变换的时频能量衰减因子方法。为了验证该方法的有效性，选取了震源破裂机制有明显差异特性的天然地震、爆破或塌方资料以及非强地震孕震区同一地点发生的多次小震资料。研究结果表明，天然地震与爆破或塌方记录的连续小波变换时频能量衰减因子有明显区别；正常地震活动背景下地震记录的连续小波变换时频能量衰减因子变化比较稳定；利用该方法，通过对某一地区的连续观测，可望为强震预测提供有效判据。 相似文献
18.
Alwyn Hoffman Riaan Hoogenboezem Theo van der Merwe Tonie Tollig 《Geophysical Prospecting》2002,50(4):361-371
One of the first operations in a seismic signal processing system applied to earthquake data is to distinguish between valid and invalid records. Since valid signals are characterized by a combination of their time and frequency properties, wavelets are natural candidates for describing seismic features in a compact way. This paper develops a seismic buffer pattern recognition technique, comprising wavelet-based feature extraction, feature selection based on the mutual information criterion, and neural classification based on feedforward networks. The ability of the wavelet transform to capture discriminating information from seismic data in a small number of features is compared with alternative feature reduction techniques, including statistical moments. Three different variations of the wavelet transform are used to extract features: the discrete wavelet transform, the single wavelet transform and the continuous wavelet transform. The mutual information criterion is employed to select a relatively small set of wavelets from the time–frequency grid. Firstly, it is determined whether wavelets can capture more informative data in an equal number of features compared with other features derived from raw data. Secondly, wavelet-based features are compared with features selected based on prior knowledge of class differences. Thirdly, a technique is developed to optimize wavelet features as part of the neural network training process, by using the wavelet neural network architecture. The automated classification techniques developed in this paper are shown to perform similarly to human operators trained for this function. Wavelet-based techniques are found to be useful, both for preprocessing of the raw data and for extracting features from the data. It is demonstrated that the definition of wavelet features can be optimized using the classification wavelet network architecture. 相似文献